1. 风控概述：金融风控与业务风控的区别、实时风控与离线风控的挑战、批流一体架构的核心理念
1.1 金融风控 vs 业务风控：核心差异
在构建风控体系之前，必须明确两种风控的本质差异。金融风控关注资金安全与合规，业务风控关注平台健康与用户体验。两者在目标、指标、决策时效上存在显著区别。
| 对比维度 | 金融风控 | 业务风控 |
|---|---|---|
| 核心目标 | 资金安全、坏账控制、合规监管 | 平台生态、反欺诈、用户体验 |
| 典型场景 | 信贷审批、交易反洗钱、支付盗刷 | 注册/登录保护、营销作弊、内容安全 |
| 决策时效 | 秒级~分钟级（含人工审核） | 毫秒级~秒级（实时拦截） |
| 损失形态 | 直接资金损失、监管罚单 | 流量损失、口碑下降、运营成本 |
| 数据依赖 | 强依赖征信、流水、黑名单 | 强依赖行为、设备、社交图谱 |
| 模型类型 | 评分卡、违约预测、额度模型 | 异常检测、团伙识别、行为序列 |
关键认知： 金融风控是"底线思维"，业务风控是"体验思维"。现代风控体系必须同时支撑两类场景，且共享同一套数据与计算底座。
1.2 实时风控与离线风控的挑战
实时风控与离线风控并非替代关系，而是互补关系。两者在技术栈、延迟要求、计算模式上存在巨大差异，这也是批流一体架构要解决的核心矛盾。
实时风控的三大挑战
- 低延迟与高吞吐的矛盾： 单笔决策需在 100ms 内完成，同时要应对每秒数万笔的峰值流量。
- 状态管理复杂： 需要维护滑动窗口内的用户行为序列、设备指纹、IP 频次等实时状态。
- 数据一致性保障难： 实时数据流存在乱序、延迟、重复等问题，直接影响决策准确性。
离线风控的三大挑战
- 时效性不足： T+1 的批量计算无法拦截实时发生的欺诈行为。
- 特征维度爆炸： 离线可计算数百维特征，但存储与计算成本随数据量线性增长。
- 模型更新滞后： 离线模型通常按天或周更新，无法快速响应新型攻击模式。
常见误区： 不要试图用实时引擎计算所有离线特征，也不要用离线引擎做毫秒级决策。正确的做法是"分层治理"——实时层做轻量快速决策，离线层做深度复杂分析，两者通过批流一体架构协同。
1.3 批流一体架构的核心理念
批流一体（Batch-Stream Integration）不是简单的"批处理+流处理"拼接，而是从数据存储、计算引擎、调度管理到特征服务全链路的统一。其核心目标是用一套技术栈同时支撑实时与离线两种计算模式，消除数据孤岛，降低运维复杂度。
架构核心原则
- 同一份数据： 实时流与离线批使用同一数据源，避免数据口径不一致。
- 同一套计算： 使用 Flink/Spark 等统一引擎，SQL 层做到批流代码复用。
- 同一套特征： 实时特征与离线特征共享特征定义与存储，支持在线/离线一致性校验。
- 同一套调度： 实时任务与离线任务在统一调度平台下管理，支持依赖与回刷。
实践要点： 批流一体的落地通常从"Lambda 架构"演进到"Kappa 架构"，再结合实时数仓与特征平台，最终形成"实时计算+离线回刷+特征服务"的三层体系。
1.4 批流一体在风控中的价值
| 能力维度 | 传统分离架构 | 批流一体架构 |
|---|---|---|
| 数据一致性 | 实时与离线口径不一致，特征对不上 | 同一数据源、同一计算逻辑，天然一致 |
| 运维复杂度 | 两套集群、两套调度、两套监控 | 统一集群、统一调度、统一告警 |
| 特征时效 | 离线特征 T+1，无法用于实时决策 | 实时特征秒级产出，离线特征可回刷对齐 |
| 模型迭代 | 离线训练→上线实时推理，线上线下不一致 | 离线训练→特征一致性校验→一键上线 |
| 成本控制 | 两套存储、两套计算，资源浪费 | 资源共享、弹性伸缩，综合成本降低 30%~50% |
架构演进路径： 从"离线批处理 + 独立实时引擎"的 Lambda 架构起步，逐步将离线任务迁移至流引擎，最终过渡到以 Flink 为核心的 Kappa 架构，再结合实时数仓与特征平台，形成完整的批流一体风控体系。
1.5 本章小结
- 金融风控与业务风控在目标、时效、损失形态上存在本质差异，但需要共享同一套技术底座。
- 实时风控面临低延迟、状态管理、数据一致性三大挑战；离线风控面临时效性、特征维度、模型更新三大挑战。
- 批流一体架构通过统一数据源、统一计算引擎、统一特征存储、统一调度，解决实时与离线割裂的问题。
- 架构演进路径：Lambda → Kappa → 批流一体，最终实现全链路统一。